ANALISIS METODE SISTEM PAKAR UNTUK MENENTUKAN JENIS ...
Transcript of ANALISIS METODE SISTEM PAKAR UNTUK MENENTUKAN JENIS ...
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430
1
ANALISIS METODE SISTEM PAKAR UNTUK
MENENTUKAN JENIS PENYAKIT DALAM DENGAN
METODE CERTAINTY FACTOR
Herry Hidayat, Danny Kriestanto
Program Studi Teknik Informatika STMIK AKAKOM Yogyakarta
Jl. Raya Janti Karang Jambe No.143 Yogyakarta 55198
e-mail: [email protected], [email protected]
ABSTRAK
Penyakit dalam memiliki banyak variasi indikasi dan gejala yang muncul hampir sama. Hal
ini menyebabkan banyak tenaga medis, atau bahkan masyarakat umum merasa sulit untuk
mengenali jenis penyakit apa yang sedang diderita.
Aplikasi yang dikembangkan adalah sistem pakar yang digunakan untuk mendiagnosa
penyakit dalam dengan menggunakan metode Certainty Factor. Diagnosa dilakukan dengan
menganalisis masukan gejala dengan bentuk pertanyaan tentang apa yang diderita oleh pasien.
Aplikasi ini dapat menggunakan tiga macam metode untuk melakukan kepakaran, yakni:
wawancara, pemeriksaan fisik, dan pemeriksaan penunjang. Masukan gejala akan diproses dengan
menggunakan aturan-aturan tertentu yang mengacu pada pengetahuan pakar atau dokter yang
telah disimpan dalam kaidah diagnosa.
Hasil dari sistem pakar ini adalah satu penyakit yang mempunyai nilai kepastian terbesar.
Nilai faktor kepastian tergantung pada berapa banyak kecocokan antara masukan gejala dan
penyakit serta nilai faktor kepastian untuk setiap gejala penyakit. Dari angka-angka yang diperoleh
dapat dipastikan bahwa analisis dengan menggunakan metode wawancara mendapat hasil
kepastian paling besar jika dibandingkan dengan kedua metode lainnya.
Kata kunci: certainty factor, penyakit dalam, sistem pakar.
A. PENDAHULUAN
1.1. Latar Belakang
Kecerdasan buatan atau artificial
intelligence merupakan bagian dari ilmu
komputer yang membuat agar mesin
(komputer) dapat melakukan pekerjaan
seperti dan sebaik yang dilakukan oleh
manusia. (Sri Kusumadewi, 2003).
Salah satu implementasi yang
diterapkan sistem pakar dalam bidang
kesehatan yaitu sistem pakar untuk diagnosa
penyakit dalam. Seringkali orang bingung
dengan penyakit yang diderita serta gejala-
gejala yang dirasakanya dan harus ke dokter
apa untuk berobat atau berkonsultasi.
Disamping itu banyak orang yang terkendala
jarak dan waktu ataupun biaya untuk pergi ke
dokter hanya untuk mengetahui penyakit
yang diderita berdasarkan gejala yang
dialaminya. Dengan sistem online seperti ini,
orang dapat dengan mudah mengetahui
penyakit yang diderita berdasarkan gejala
yang dialami tanpa harus terkendala jarak,
waktu dan biaya, karena dapat dilakukan
diwarnet, dirumah, ataupun dengan
smartphone. Oleh karena itu dibangun suatu
sistem pakar yang dapat membantu
menyelesaikan masalah tersebut dengan
menggunakan metode Certainty Factor (CF).
1.2. Tujuan
Tujuan dari penelitian ini adalah
menerapkan suatu program sistem pakar yang
berisi pengetahuan dari seorang pakar/dokter
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430
2
yang memiliki kemampuan untuk dapat
mendiagnosa penyakit dari gejala-gejala
yang dirasakan oleh pasien secara cepat dan
tepat seperti seorang pakar dengan
menggunakan metode Certainty Factor (CF).
1.3. Tinjauan Pustaka
Kusrini (2006), dalam penelitiannya
diusulkan suatu metode penghitungan
besarnya certainty factor pengguna pada
aplikasi sistem pakar untuk diagnosis
penyakit dengan metode kuantifikasi
pertanyaan. Kesimpulan yang didapat dari
penelitian tersebut adalah memudahkan
pengguna dalam memberikan jawaban terkait
dengan besarnya kepercayaan terhadap gejala
yang dialami.
Sri Hartati (2005), melakukan
penelitian dengan judul Media Konsultasi
Penyakit Kelamin Pria dengan penanganan
ketidakpastian menggunakan Certainty
Factor Bayesian, dari penelitian ini
menghasilkan sebuah program aplikasi untuk
diagnose penyakit kelamin dengan
menggunakan metode certainty factor,
aplikasi ini berbasis web.
Adhi Sadewo Broto dari Universitas
Diponegoro, Semarang (2010) membangun
sebuah aplikasi untuk menganalisa penyakit
dalam dengan metode Certainty Factor
berbasis web. Dengan aplikasi ini dapat
diketahui penyakit yang diderita berdasarkan
masukan gejala serta cara pengobatanya.
Deprindo Wahyudi, Ely Rosely, Ir.,
MBS, Guntur Prabawa Kusuma,S.T.,M.T
dari Politeknik Telkom, Bandung (2012)
membuat membuat aplikasi diagnosa
penyakit dalam dengan metode Certainty
Factor berbasis android. Dengan aplikasi
berbasis android ini seseorang dapat
mendiagnosis sebuah penyakit menggunakan
perangkat bergerak.
Sistem pakar untuk menganalisa
penyakit dalam dengan metode Certainty
fakctor ini mampu mendiagnosis 20 jenis
penyakit dalam pada manusia dengan
menggunakan tiga buah metode, yaitu:
wawancara, pemeriksaan fisik, dan
pemeriksaan penunjang.
1.4. Pembatasan Masalah
a. Jenis penyakit yang dibahas sebanyak
20 penyakit dalam beserta gejalnya
yaitu, Demam Berdarah, Demam
Tifoid, Malaria, Tetanus, Leptospirosis,
Asma, TBC, Bronkhitis, Kanker Paru,
Gastroentritis atau Diare, Kolera,
Disentri Amuba, Hipertensi, Infeksi
Saluran Kencing (ISK), Sindrom
Nefrotik, Batu Saluran Kencing, Gagal
ginjal kronik, Hepatitis A, Hepatitis B
dan Gastritis atau Maag.
b. Sistem pakar ini mendiagnosis pasien
dewasa di atas 20 tahun yang produktif.
c. Sumber pengetahuan diagnosis praktis
diperoleh dari seorang dokter umum
yaitu dr. Yuliana yang bekerja di
Puskesmas 2 Jetis, Yogyakarta.
d. Metode yang digunakan dalam
penyelesaian masalah ini adalah metode
Certainty Factor.
1.5. Manfaat Penelitian
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430
3
Adapun manfaat dari penelitian ini
adalah untuk dapat membantu user, baik
orang awam maupun petugas kesehatan
dalam membantu jenis penyakit dalam yang
diderita oleh seseorang.
B. METODE PENELITIAN
Adapun metode yang digunakan
dalam penelitian ini adalah dengan
menerapkan metode sistem pakar pada
sebuah aplikasi dengan menggunakan tiga
buah metode untuk menganalisis tingkat
kepastian dengan menggunakan penyakit
yang sama.
2.1. Sistem Pakar
Sistem pakar adalah program
komputer yang menirukan penalaran seorang
pakar dengan keahlian pada suatu wilayah
pengetahuan tertentu (Turban, 1995). Sistem
pakar merupakan program “artificial
inteligence” (”kecerdasan buatan” atau AI)
yang menggabungkan basis pengetahuan
dengan mesin inferensi. Ini merupakan
bagian perangkat lunak spesialisasi tingkat
tinggi atau bahasa pemrograman tingkat
tinggi (High Level Language), yang berusaha
menduplikasi fungsi seorang pakar dalam
satu bidang keahlian tertentu. Program ini
bertindak sebagai konsultan yang cerdas atau
penasihat dalam suatu lingkungan keahlian
tertentu, sebagai hasil himpunan pengetahuan
yang telah dikumpulkan dari beberapa orang
pakar. Dengan demikian seorang awam
sekalipun bisa menggunakan sistem pakar itu
untuk memecahkan berbagai persoalan yang
di hadapi dan bagi seorang ahli, sistem pakar
dapat dijadikan alat untuk menunjang
aktivitasnya yaitu sebagai sebagai asisten
yang berpengalaman.
Gambar 1. Struktur Sistem Pakar
Komponen-komponen yang
terdapat dalam arsitektur/struktur sistem
pakar (Sri Kusumadewi, 2003) :
a) Antarmuka Pengguna (user interface)
Merupakan mekanisme yang
digunakan oleh pengguna dan sistem pakar
untuk berkomunikasi. Antarmuka menerima
informasi dari pemakai dan mengubahnya ke
dalam bentuk yang dapat diterima oleh
sistem. Selain itu antarmuka menerima dari
sistem dan menyajikannya ke dalam bentuk
yang dapat dimengerti oleh pemakai.
b) Basis Pengetahuan
Basis pengetahuan mengandung
pengetahuan untuk pemahaman, formulasi,
dan penyelesaian masalah. Pengetahuan itu
dapat berasal dari ahli, buku, basisdata,
penelitian dan gambar.
Ada 3 bentuk pendekatan basis
pengetahuan (Sri Kusumadewi, 2003):
1. Penalaran berbasis aturan (rule-based
reasoning)
2. Penalaran berbasis kasus (case-based
reasoning)
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430
4
3. Akuisisi Pengetahuan (Knowledge
Acquisition)
Metode akuisisi pengetahuan :
Wawancara: metode yang paling
banyak digunakan, yang melibatkan
pembicaraan dengan pakar secara
langsung dalam suatu wawancara
Analisis protokol: dalam metode ini
pakar diminta untuk melakukan suatu
pekerjaan dan mengungkapkan proses
pemikirannya dengan menggunakan
kata-kata. Pekerjaan tersebut direkam,
dituliskan, dan dianalisis.
Dalam sistem pakar yang akan
dibangun ini menggunakan metode akuisisi
pengetahuan yaitu wawancara yang
melibatkan pembicaraan dengan pakar secara
langsung. Pengetahuan yang diakuisisi
adalah pengetahuan prosedural (apa yang
harus dilakukan, berupa aturan, prosedur,
metode, dan lain-lain) serta pengetahuan
deklaratif (termasuk dan tidak termasuk,
berupa fakta, konsep, dan lain-lain).
c) Mesin/Motor Inferensi (Inference
Engine)
Mesin Inferensi (Inference Engine),
merupakan otak dari Sistem Pakar, juga
dikenal sebagai penerjemah aturan (rule
interpreter). Komponen ini mengandung
mekanisme pola pikir dan penalaran yang
digunakan oleh pakar dalam menyelesaikan
suatu masalah.
Ada 2 cara dalam melakukan
inferensi :
Forward Chaining : pencocokkan fakta
atau pernyataan dimulai dari fakta
terlebih dahulu untuk menguji
kebenaran hipotesis. Metode inferensi
cocok digunakan untuk menangani
masalah pengendalian (controlling) dan
peramalan (prognosis). (
Giarratano,Riley, 1994 )
Backward Chaining : pencocokkan
fakta atau pernyataan dimulai dari
hipotesis terlebih dahulu, dan untuk
menguji kebenaran hipotesis tersebut
harus dicari fakta-fakta yang ada dalam
basis pengetahuan.
Dalam sistem pakar yang dibangun
metode yang digunakan dalam merancang
mesin inferensi adalah metode pelacakan ke
depan (forward chaining). Dalam mesin
inferensi sistem pakar ini, sistem akan
membaca masukan pengguna berupa
masukan gejala yang dirasakan. Tiap
masukan gejala memiliki id gejala yang
kemudian akan dilacak oleh sistem di dalam
tabel data gejala. Dari id gejala tersebut
sistem akan melacak di tabel kaidah diagnosa
untuk mendapatkan nilai certainty factor
serta pasangan penyakit gejala tersebut.
Kemudian sistem akan melakukan
perhitungan untuk setiap nilai certainty factor
per penyakit berdasarkan basis pengetahuan
yang digunakan.
d) Workplace / Blackboard
Workplace merupakan area dari
sekumpulan memori kerja (working
memory), digunakan untuk merekam
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430
5
kejadian yang sedang berlangsung termasuk
keputusan sementara.
e) Fasilitas Penjelasan (Explaination
Facility).
Kemampuan untuk menjejak
(tracing) bagaimana suatu kesimpulan dapat
diambil merupakan hal yang sangat penting
untuk transfer pengetahuan dan pemecahan
masalah. Fasilitas penjelasan merupakan
komponen tambahan yang akan
meningkatkan kemampuan sistem pakar.
f) Perbaikan Pengetahuan
Pakar memiliki kemampuan untuk
menganalisis dan meningkatkan kinerjanya
serta kemampuan untuk belajar dari
kinerjanya. Kemampuan tersebut adalah
penting dalam pembelajaran
terkomputerisasi, sehingga program akan
mampu menganalisis penyebab kesuksesan
dan kegagalan yang dialaminya dan juga
mengevaluasi apakah pengetahuan-
pengetahuan yang ada masih cocok untuk
digunakan di masa mendatang
2.2. Certainty Factor
Faktor kepastian (certainty factor)
diperkenalkan oleh Shortliffe Buchanan
dalam pembuatan MYCIN. Certainty factor
(CF) merupakan nilai parameter klinis yang
diberikan MYCIN untuk menunjukkan
besarnya kepercayaan.
Rumus dasar faktor kepastian
(Giarratano,Riley, 1994):
Keterangan:
CF(H,E) : Certainty factor dari
hipotesis H yang
dipengaruhi oleh gejala
(evidence) E. Besarnya
CF berkisar antara –1
sampai dengan 1. Nilai –
1 menunjukkan
ketidakpercayaan mutlak
sedangkan nilai 1
menunjukkan
kerpercayaan mutlak.
MB(H,E) : Ukuran kenaikan
kepercayaan (measure of
increased belief)
terhadap hipotesis H
yang dipengaruhi oleh
gejala E.
MD(H,E) : Ukuran kenaikan
ketidakpercayaan
(measure of increased
disbelief) terhadap
hipotesis H yang
dipengaruhi oleh gejala
E.
Suatu sistem pakar seringkali
memiliki kaidah lebih dari satu dan terdiri
dari beberapa premis yang dihubungkan
dengan AND atau OR. Pengetahuan
mengenai premis dapat juga tidak pasti, hal
ini dikarenakan besarnya nilai (value) CF
yang diberikan oleh pasien saat menjawab
pertanyaan sistem atas premis (gejala) yang
dialami pasien atau dapat juga dari nilai CF
hipotesa.
Formula CF untuk beberapa kaidah
yang mengarah pada hipotesa yang sama
dapat dituliskan sebagai berikut (Kusrini,
2008):
𝐶𝐹(𝐻, 𝐸) = 𝑀𝐵(𝐻, 𝐸) − 𝑀𝐷(𝐻, 𝐸)
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430
6
CF(H)
CF(R1) + CF(R2) – [CF(R1) * CF(R2)] ; nilai CF(R1) dan CF(R2) > 0
CF(R1) + CF(R2) + [CF(R1) * CF(R2)]; nilai CF(R1) dan CF(R2) < 0
CF(R1) + CF(R2)
; nilai CF(R1) dan CF(R2)
berlawanan tanda 1-min[|CF(R1)|,|CF(R2)|]
Nilai certainty factor ada 2, yaitu:
Nilai certainty factor kaidah yang
nilainya melekat pada suatu kaidah/rule
tertentu dan besarnya nilai diberikan
oleh pakar.
Nilai certainty factor yang diberikan
oleh pengguna untuk mewakili derajat
kepastian/keyakinan atas premis
(misalnya gejala, kondisi, ciri) yang
dialami pengguna.
Implementasi sistem pakar diagnosa
penyakit dalam ini akan menggunakan rumus
:
Karena nilai CF yang diberikan
bernilai positif. Rumus tersebut kemudian
dapat diterapkan pada beberapa rule yang
berbeda secara bertingkat. Nilai CF setiap
premis/gejala merupakan nilai yang
diberikan oleh seorang pakar maupun
literatur yang mendukung.
C. PERANCANGAN SISTEM
3.1. Diagram Alir Program
Diagram alir digunakan untuk
menggambarkan secara grafik langkah-
langkah dan urut-urutan prosedur dari suatu
program untuk memecahkan masalah
kedalam segmen-segmen yang lebih kecil.
Gambar 1 Diagram Alir Program
Sistem Pakar
3.2. Diagram Alir Diagnosa Penyakit
𝐶𝐹(𝑅1, 𝑅2) = 𝐶𝐹(𝑅1) + 𝐶𝐹(𝑅2) − [(𝐶𝐹(𝑅1)𝑥𝐶𝐹(𝑅2)]
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430
7
Berikut adalah diagram alir
algoritma untuk diagnosa penyakit:
Gambar 2 Diagram Alir Diagnosa
Penyakit
Dari Gambar 2 dapat dijelaskan
bahwa, data dari hasil inputan gejala dihitung
jumlah datanya dan dikelompokkan
berdasarkan penyakit, kemudian dihitung
nilai CF untuk tiap penyakit. Jika datanya
hanya satu, maka nilai CF diambil dari nilai
CF pada gejala yang di inputkan, jika datanya
lebih dari satu maka akan dihitung dengan
menggunakan rumus CF.
3.3. Diagram Perhitungan Nilai
Certainty Factor
Gambar 3 Diagram Perhitungan Nilai CF
Dari Gambar 3 dapat dijelaskan
bahwa, data dari hasil inputan gejala dihitung
jumlah datanya dan dikelompokkan
berdasarkan penyakit, kemudian dihitung
nilai CF untuk tiap penyakit. Jika datanya
hanya satu, maka nilai CF diambil dari nilai
CF pada gejala yang di inputkan, jika datanya
lebih dari satu maka akan dihitung dengan
menggunakan rumus CF.
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430
8
3.4. DFD Level 1
Gambar 4 DFD level 1
DFD level 1 sistem pakar untuk
mendiagnosa penyakit dalam. Untuk login,
admin dan pakar dibedakan berdasarkan user
rolenya. Admin dan pakar mengelola semua
data yang ada didalam database, tetapi pakar
tidak dapat mengakses data pakar dan data
admin. User dapat melakukan pemeriksaan
dan mengakses menu histori diagnosa.
3.5. Mesin Inferensi
Secara sederhana mesin inferensi
merupakan mesin yang digunakan untuk
merepresentasikan basis pengetahuan
sehingga dihasilkan informasi yang
dibutuhkan dan dapat dimengerti oleh
pengguna.
Gambar 5 Diagram Alir Mesin
Inferensi
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430
9
D. PENGUJIAN DAN ANALISA
SISTEM
1. PENGUJIAN PERHITUNGAN
NILAI CERTAINTY FACTOR
Pengujian dilakukan dengan memilih
pertanyaan gejala pada menu diagnosa
penyakit dengan memberi centang pada kotak
yang tersedia.
Gambar 6 Pilihan Pertanyaan
Pada Gambar 6 dipilih tiga gejala
yang akan didiagnosa. Masukan berupa tiga
gejala dengan ID gejala nomor 1, 5 dan 6
pada metode diagnosa wawancara.
Gambar 7 Hasil Nilai CF total per ID
Penyakit.
Pada Gambar 7 muncul beberapa nilai
CF total per id penyakit yang diurutkan
berdasarkan nomor ID penyakit.
Gambar 8 Tampilan dari Hasil
Gejala yang Dipilih
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430
10
Tabel 1 Nilai CF Total per Penyakit
ID
Penyakit
ID Gejala
yang Sesuai
Total
Nilai CF
1 5,6 0,85
2 1,5,6 0,968
3 6 0,3
5 1 0,9
7 5 0,9
8 5 0,7
9 5 0,7
10 6,5 0,92
12 6,5 0,82
13 6 0,1
14 1 0,4
15 5,6 0,75
16 5 0,44
17 1 0,96
18 1,5,6 0,982
19 1,5,6 0,952
20 6 0,8
Perhitungan manual dengan
menggunakan rumus:
CF(R1,R2) = CF(R1) + CF(R2) – [ (CF(R1)
x CF(R2) ]
Maka akan diperoleh hasil sebagai
berikut:
CF 1 = 0,7
CF 2 = CF(R1) + CF(R2) – [ (CF(R1) x
CF(R2) ]
= 0,7 + 0,7 + (0,7 * 0,7)
= 1,4 – 0,49
= 0,91
CF 3 = CF(R1) + CF(R2) – [ (CF(R1) x
CF(R2) ]
= 0,91 + 0,8 - (0,91 * 0,8)
= 1,71 - 0,728
= 0,982
Dari hasil perhitungan manual,
didapatkan nilai yang sama dengan nilai CF
total per ID penyakit. Ini membuktikan
perhitungan nilai CF pada sistem pakar ini
benar.
4.1. Pengujian Metode Diagnosa
Wawancara
Gejala yang terdapat pada metode
diagnosa wawancara memiliki deskripsi yang
umum, sehingga pengguna perlu mencermati
tiap pertanyaan dengan baik.
Gambar 9 Masukan gejala
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430
11
dengan metode wawancara.
Gambar 10 Tampilan dari Hasil Gejala yang
Dipilih
Pada Gambar 10 muncul 24 aturan
dari ketiga masukan gejala tersebut. Tiap
aturan kemudian dikelompokkan
berdasarkan ID penyakit sebanyak 15
penyakit.
Gambar 11 Hasil perhitungan nilai CF total
Pada gambar 11 diperoleh nilai CF
total per id penyakit dan diurutkan
berdasarkan id penyakit.
Tabel 2 Nilai CF Total per Penyakit
ID
penyakit
Id gejala
yang sesuai
Total nilai
Kepastian
(%)
1 2,5,6 98,5
2 5,6 96
3 6 30
7 5 90
8 5 70
9 5 70
10 5,6 92
12 5,6 82
13 6 10
15 5,6 75
16 5 20
17 5,6 96
18 5,6 94
19 5,6 94
20 6 80
Dilihat dari Tabel 2, nilai CF total
terbesar dimiliki penyakit dengan ID nomor
1. Pada ID penyakit nomor 2, 10, 12, 17, 18
dan 19 memiliki dua kesesuaian ID gejala
yang sama (nomor 5 dan 6), namun besarnya
nilai CF total tiap penyakit berbeda. Hal ini
disebabkan nilai CF tiap aturan pada kaidah
diagnosa memiliki nilai yang berbeda.
4.2. Pengujian Metode Diagnosa
Pemeriksaan Fisik
Pada metode diagnosa pemeriksaan
fisik, pasien akan diberikan pilihan gejala
yang lebih spesifik dibandingkan pada
metode diagnosa wawancara.
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430
12
Gambar 12 Masukan gejala dengan metode diagnosa pemeriksaan fisik.
Gambar 13 Tampilan dari hasil gejala yang
dipilih
Pada gambar 13 dapat dilihat aturan
yang muncul lebih sedikit dari hasil penyakit
dengan menggunakan metode diagnosa
wawancara. Hal ini disebabkan karena jenis
gejala yang terdapat pada metode diagnosa
pemeriksaan fisik sedikit lebih spesifik.
Gambar 14 Hasil perhitungan nilai CF total
Alternatif penyakit yang sesuai
dengan masukan gejala pada gambar 14
sebanyak dua penyakit, yaitu penyakit
Demam Berdarah dan penyakit Kolera.
Tabel 3 Nilai CF Total per Penyakit
ID penyakit ID gejala
yang
sesuai
Total nilai
kepastian
(%)
1 63,65,70 77,6
11 70 30
Perbedaan total nilai CF antara id
penyakit nomor satu dan sebelas terlihat
sangat signifikan karena ada tiga kesesuaian
untuk id penyakit nomor satu, sedangkan
untuk id penyakit nomor sebelas hanya ada
satu.
4.3. Pengujian Metode Diagnosa
Pemeriksaan Penunjang
Pemeriksan penunjang merupakan
hasil cek laboratorium yang digunakan
sebagai penunjang diagnosa.
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430
13
Gambar 15 Masukan Gejala dengan Pemeriksaan Penunjang.
Pada metode diagnosa pemeriksaan
penunjang, seluruh gejala merupakan hasil
pemeriksaan laboratorium.
Gambar 16 Tampilan dari Hasil Gejala yang
Dipilih
Pada Gambar 16 dapat dilihat bahwa
dari 3 masukan gejala pada metode diagnosa
pemeriksaan penunjang, terdapat kesesuaian
sebanyak 8 aturan dengan masing-masing
nilai CF yang relatif tinggi.
Gambar 17 Hasil perhitungan nilai CF
dengan metode
Diagnosa Pemeriksaan Penunjang
Pada Gambar 17 terdapat 6 alternatif
penyakit yang muncul dengan masing-
masing nilai CF total yang relatif tinggi.
Tabel 4 Nilai CF Total per Penyakit
Id
penyakit
Id gejala
yang sesuai
Total nilai
kepastian
(%)
1 83,85,86 99,8
2 83 40
3 83 80
5 83 80
18 83 80
19 83 80
Dari pengujian metode-metode di atas
dan jumlah masukan yang sama untuk ketiga
metode diagnosa.
Tabel 5 Perbandingan Penggunaan Satu
Metode Diagnosa dengan Jumlah Masukan
dengan Gejala Sama
Perbandingan Wawancara Fisik Penunjang
Masukkan
gejala
3 3 3
Keluaran
penyakit
15 2 7
Nilai CF total
tertinggi
98,5 % 77,6
%
99,8 %
Dari perbandingan hasil analisa
metode diagnosa wawancara, pemeriksaan
fisik dan pemeriksaan penunjang didapatkan
hasil bahwa metode wawancara paling
banyak keluaran penyakitnya, sedangkan
metode pemeriksaan fisik paling sedikit
keluaran penyakitnya. Hal ini bukan
disebabkan karena diagnosa yang salah,
tetapi karena metode wawancara mempunyai
deskripsi yang umum sedangkan metode
pemeriksaan fisik mempunyai gejala yang
lebih spesifik.
E. KESIMPULAN DAN SARAN
Dari hasil perancangan dan
pembuatan sampai dengan pengujian
program, maka dapat diperoleh beberapa
kesimpulan dan saran untuk pengembangan
program lebih lanjut.
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430
14
5.1. Kesimpulan
1. Aplikasi ini dapat menjadi salah satu
alternatif yang dapat membantu
mendiagnosis sebuah penyakit dalam.
2. Aplikasi ini mampu menentukan
kemungkinan penyakit yang diderita
oleh seseorang.
3. Aplikasi ini dapat melihat info penyakit
yang terdapat pada aplikasi dan
menampilkan deskripsi penyakit serta
gejalanya.
4. Pada aplikasi ini, jika gejala yang
dimasukkan terlalu sedikit, maka hasil
analisa penyakit kurang tepat.
5. Gejala yang terdapat pada metode
diagnosa pemeriksaan fisik dan
pemeriksaan penunjang, lebih spesifik
mengarah pada satu penyakit.
6. Keluaran penyakit pada metode
diagnosa wawancara lebih banyak
dibandingkan dengan metode diagnosa
pemeriksaan fisik dan penunjang.
7. Besarnya nilai CF total ditentukan oleh
banyaknya kecocokan antara id gejala
dan id penyakit, serta besarnya nilai CF
tiap aturan pada kaidah diagnosa.
8. Nilai CF berada pada kisaran 0 sampai
dengan 1, jika keluaran CF mendekati
satu, maka kepastiannya mendekati
benar.
5.2. Saran
1. Penyakit yang disajikan dalam sistem
pakar ini dibatasi 20 penyakit, perlu
dipertimbangkan untuk menambah jenis
penyakit dalam yang bisa didiagnosa
sehingga sistem pakar ini dapat
mendiagnosa lebih banyak penyakit
dalam.
2. Perlu dipertimbangkan untuk membuat
penyajian pilihan data gejala yang lebih
baik agar lebih mudah dalam
penggunaan sistem pakar ini.
F. DAFTAR PUSTAKA
Adhi Sadewo Broto, Perancangan Dan
Implementasi Sistem Pakar Untuk
Analisa Penyakit Dalam, Tugas
Akhir, Universitas Diponegoro.
Semarang, 2010
Deprindo Wahyudi, Ely Rosely, Ir., MBS,
Guntur Prabawa
Kusuma,S.T.,M.T., Aplikasi
Diagnosis Penyakit Menggunakan
Perangkat Bergerak Dengan
Sistem Operasi Android, Jurnal.
Politeknik Telkom. Bandung,
2012
Giarratano, J.C & Riley G, Expert Systems:
Princples and Programming, 2nd
edition, PWS Publishing Co, USA,
1994.
Kusrini, Sistem Pakar: Teori dan Aplikasi,
Andi Offset, Yogyakarta, 2006
Sri Hartati, Media Konsultasi Penyakit
Kelamin Pria dengan
Menggunakan Metode Certainty
Factor Bayesian. Yogyakarta:
Seminar Nasional Teknologi
Informasi (SNATI) 2005,
Universitas Gadjah Mada, 2005
Sri Hartati, Sari Iswanti., Sistem Pakar dan
Pengembangannya, Graha Ilmu,
Yogyakarta, 2008
Sri Kusumadewi, Artificial Intelligence
(Teknik dan Aplikasinya), Graha
Ilmu, Yogyakarta, 2003
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430
15